A WeatherNext 2 da Google chega como dados de previsão ao Earth Engine, BigQuery e Vertex AI

O que o modelo afirma, com precisão

A Google DeepMind e a Google Research afirmam que a WeatherNext 2 gera previsões 8 vezes mais rápido do que a antecessora e com resolução até uma hora. A partir de um único ponto de partida, produz centenas de cenários meteorológicos possíveis, e o anúncio indica que cada previsão demora menos de um minuto numa única TPU.

A afirmação comparativa é invulgarmente específica: a WeatherNext 2 supera o modelo anterior WeatherNext em 99,9% das variáveis — temperatura, vento, humidade — e em horizontes de previsão que vão de 0 a 15 dias. Este enquadramento é uma comparação direta com o anterior estado da arte da própria Google, não uma afirmação face a sistemas baseados em física, ainda que a publicação refira que o conjunto equivalente baseado em física demoraria horas num supercomputador.

O truque de marginais para conjuntos

O núcleo técnico é o que a Google designa por Functional Generative Network (FGN), que injeta ruído diretamente na arquitetura do modelo para que as previsões geradas se mantenham fisicamente realistas e interligadas. A escolha de design interessante está naquilo em que o modelo é treinado versus aquilo que produz.

Segundo a publicação, o modelo é treinado apenas em 'marginais' — grandezas isoladas, como a temperatura num ponto ou a velocidade do vento a uma determinada altitude — mas aprende a prever 'conjuntos', os sistemas interligados onde todas essas peças se encaixam. A Google enquadra isto como a capacidade que sustenta os seus resultados mais úteis, como identificar regiões inteiras sob calor extremo ou a produção energética esperada num parque eólico.

O que há de inovador na nossa abordagem é que o modelo é treinado apenas nestas marginais. Ainda assim, a partir desse treino, aprende a prever com competência 'conjuntos' — sistemas grandes, complexos e interligados que dependem de como todas essas peças individuais se encaixam.Montana Labs

A distribuição é a verdadeira notícia

O anúncio não se limita à qualidade do modelo. Os dados de previsão da WeatherNext 2 estão agora disponíveis no Earth Engine e no BigQuery, com um programa de acesso antecipado no Vertex AI para inferência de modelos personalizados. Isto significa que os desenvolvedores podem consultar previsões através de um data warehouse e de um catálogo geoespacial, em vez de terem de montar a sua própria infraestrutura de inferência.

Em simultâneo, a Google afirma que a tecnologia atualiza agora a meteorologia na Search, no Gemini, no Pixel Weather e na Maps Platform Weather API, com o Google Maps a seguir-se nas próximas semanas. Ou seja, a mesma investigação está a ser encaminhada para dois públicos ao mesmo tempo: criadores que a consomem como dados, e consumidores que nunca veem o nome do modelo.

A implicação específica: conjuntos de previsão baratos mudam quem pode aceder à previsão probabilística

A frase que merece destaque é 'centenas de resultados meteorológicos possíveis' em 'menos de um minuto numa única TPU'. A previsão probabilística por conjuntos tem sido historicamente limitada pelo tempo de supercomputador disponível, o que explica precisamente porque os cenários mais extremos — os mais relevantes para o planeamento — são caros de gerar em grande escala.

Ao reduzir drasticamente esse custo e disponibilizar o resultado através do BigQuery e do Earth Engine, a Google está a colocar a previsão baseada em cenários ao alcance de equipas que nunca poderiam correr um conjunto baseado em física — planeadores de cadeias de abastecimento, operadores de energia, empresas de logística. A questão que a publicação deixa em aberto é o preço, as garantias de latência e a cadência de atualização destes endpoints, o que determinará se se trata de um serviço operacional utilizável ou apenas de uma pré-visualização de investigação com uma interface de consulta.